[发明专利]一种基于RSSPN模型的配电网故障原因分类方法

权利要求书

1.一种基于RSSPN模型的配电网故障原因分类方法，其特征在于：包括，

利用分布式数字故障记录器获取故障电流和电压波形数据，并对所述故障电流和电压波形数据进行类别标记；

利用未标记的波形数据和已标记类别的波形数据训练RSSPN模型并获得学习的模型函数以及决策半径函数；

微调训练完成的RSSPN模型，生成新的分类器；

通过所述新的分类器完成配电网故障原因的分类。

2.如权利要求1所述的基于RSSPN模型的配电网故障原因分类方法，其特征在于：还包括，

所述未标记的波形数据和已标记类别的波形数据的数量比例为4：1。

3.如权利要求1所述的基于RSSPN模型的配电网故障原因分类方法，其特征在于：还包括，利用混合损失函数训练所述RSSPN模型；所述混合损失函数由监督损失函数、伪监督损失函数和无监督损失函数构成。

4.如权利要求3所述的基于RSSPN模型的配电网故障原因分类方法，其特征在于：所述监督损失函数包括，

其中，L_s为监督损失值，T为预设的训练迭代总次数，为RSSPN模型输入层的第i个输出值，为RSSPN模型输入层的第i个输入值，k_c为所述模型函数。

5.如权利要求3所述的基于RSSPN模型的配电网故障原因分类方法，其特征在于：还包括，所述伪监督损失函数包括，

其中，L_P为伪监督损失值，为已标记类别的第j个波形数据，为未标记的第j个波形数据。

6.如权利要求3所述的基于RSSPN模型的配电网故障原因分类方法，其特征在于：还包括，所述无监督损失函数包括，

L_u＝-log p_w(y＝l|x)

其中，L_u为监督损失值，p_w(y＝l|x)为已标记类别的波形数据中每一个类别的概率，y为分类标签，x为已标记类别的波形数据的向量表示，l为已标记类别的波形数据的数量。

7.如权利要求1或4所述的基于RSSPN模型的配电网故障原因分类方法，其特征在于：所述模型函数包括，

其中，c为配电网故障原因类别，h(x_i)为未标记的波形数据的向量，h(x_j)为已标记类别的波形数据的向量，z_i,c为类别c中的第i个类别；z_j,c为类别c中的第j个类别。

8.如权利要求1或2所述的基于RSSPN模型的配电网故障原因分类方法，其特征在于：所述决策半径函数包括，

假设只有所述未标记的波形数据在决策半径内有属于已知的故障类别，利用所述决策半径函数计算决策半径，将落于决策半径内的所述未标记的波形数据更新所述RSSPN模型；所述决策半径函数如下：

r_c＝MLP([min(d_j,c),max(d_j,c),mean(d_j,c),var(d_j,c),skew(d_j,c),kurt(d_j,c)])

其中，r_c为所述决策半径，d_j,c是所述未标记的波形数据与类别c的距离。

9.如权利要求8所述的基于RSSPN模型的配电网故障原因分类方法，其特征在于：所述微调包括，

通过Caffe框架加载训练完成的RSSPN模型；

删除训练完成的RSSPN模型中的全连接层，并令剩余层的权重保持不变；

构建一组新的全连接层，并初始化新的全连接层的权重，获得所述新的分类器。